УДК 551.465 В.В. Радчук к.г-м.н. Институт телекоммуникаций и глобального информационного пространства В.А. Слободан Национальный аэрокосмический университет им.Н.Е.Жуковского «ХАИ» АВТОМАТИЗИРОВАННАЯ КЛАССИФИКАЦИЯ СТРУКТРУНЫХ ПРИЗНАКОВ ЗАГРЯЗНЕНИЯ МОРЯ Основными факторами антропогенного загрязнения моря являются: речной сток; береговой сток; абразия берегов; разливы нефти и нефтепродуктов разного происхождения [1]. В первую очередь, интенсивному загрязнению подвергаются прибрежные воды. Для повышения эффективности мониторинга их экологического состояния необходимо быстро и эффективно определять тип загрязнений, а также их генезис и следствия. Это можно сделать на основе тематического дешифрирования космических снимков. Базируясь на практическом опыте тематической обработки космических снимков с разными типами загрязнений, выделены наиболее информативные естественные дешифровочные признаки каждого типа загрязнения, характерные для Черного и Азовского морей. Все они систематизированы и описаны словесно [2]. Однако для эффективного мониторинга морских акваторий оказывается недостаточным применение только естесственных дешифровочных признаков. Для автоматизации процесса идентификации аномального явления на морской поверхности необходимо выделение исскуственных дешифровочных признаков. 1.Исследование информатив-ности тестовых фигур с применением вероятностного анализа признаков Для достижения цели предложен метод выделения признаков по взаимной корреляции исследуемого контура и контуров набора тестовых фигур. Такой подход использовался, например, в распознавании рукописного текста [3, 4]. На основе полученных в [5] результатов разработан алгоритм автомитического опредления типа загрязнения. Корреляционный предложенных анализ фигур тестовых для фигур дальнейшего показал, анализа что из 10 целесообразно использовать 8, т.к. две из них коррелированы со всеми остальными фигурами [5]. Используя метод, описанный в [5], были сформированы выборки данных для каждого типа загрязнения. Загрязнения одного типа были объеденены в суммарную выборку. По полученным данным строились гистограммы, определялись значения математического ожидания и дисперсии каждого класса при исследовании каждой тестовой фигуры. Анализ показал, что исследуемые законы распределения можно считать нормальными. Для дальнейшего анализа в качестве решающего правила был выбран байесовский классифи-катор (1.1) [6]. Со статистической точки зрения он соответствует оптимальному качеству классификации. P ( ak x ) f ( x ak ) , M f (x a j ) (1.1) j 1 где P(ak x) – апостериорная вероятность. Расчет вероятностей по формуле Байеса дал возможность сформировать матрицы ошибок определения типов загрязнений по каждой тестовой фигуре. Анализ полученных результатов позволил выделить наиболее информативные тестовые фигуры – треугольник, квадрат и пятиугольник. Вероятность правильного распознавания типов загрязнений по этим фигурам варьируют от 0,6 до 0,9. 2. Алгоритм распознавания типов загрязнений морских акваторий Результаты корреляционного и вероятностного анализа использовались для построения алгоритма определения типов загрязнений морских акваторий. Процесс распознавания причины аномального явления на морской поверхности включает в себя следующие этапы: 1. получение космических снимков Черного и Азовского морей; 2. выделение контура аномального участка на морской поверхности; 3. преобразование контура фигуры в развертку; 4. аппроксимация контура; 5. создание математической модели выделенного контура; 6. расчет коэффициентов корреляции исследуемого пятна и отобранных для анализа тестовых фигур (треугольник, квадрат, пятиугольник); 7. расчет вероятностей типов загрязнений по одномерным, двухмерным и трехмерным плотностям распределения; 8. определение максимального значения вероятности и принадлежности исследуемого пятна к одному из классов загрязнений. Перспективность использования методов дистанционного зондирования для решения задач мониторинга морских акваторий основана на возможности регистрации современной дистанционной аппаратурой широкого спектра значащих параметров водной среды. К ним относятся, прежде всего: вариации гидрооптических характеристик, в первую очередь цвета и мутности; изменения гидродинамических параметров; вариации температуры. Выделение на космических снимках участков водной поверхности достигается применением линейной разделительной функции d (x ) [1]: w , если _ d ( I ) 0 X (I ) 1 ; w2 , если _ d ( I ) 0 где d ( x) W0 W2 I 2 W3 I 3 , I 2 и I 3 – зональные яркости изображения соответственно в каналах съемки К2 и К3; W0 , W2 , W3 – постоянные коэффици енты (компоненты весового вектора W ), значения которых приблизительно оценивают по двумерной гистограмме яркости. Уточнение значений компонентов вектора W достигается при помощи итеративных процедур теории распознавания образов, например, методами коррелирующих приращений или наименьшей квадратичной ошибки. Картографирование пятнистости акваторий состоит в выделении участков космических изображений водной поверхности с однородными в заданном смысле характеристиками спектральной яркости. В общем случае по одному спутниковому изображению может быть построено некоторое множество картографических моделей, отличающихся степенью генерализации показателей пятнистости акватории. Известен ряд публикаций, посвященных разработке алгоритмов выделения на космических снимках акваторий границ однородных природных образований [2]. В рассматриваемых приложениях для этой цели можно использовать класс алгоритмов, основанных на байесовских решающих правилах [2] P(i 1 ) (u1i ) (i ) km (u1i ) (i ) . i 1 Здесь (i ) – априорная вероятность того, что поверхностные воды на участке S p относятся к классу i ; (u1i ) – условная плотность распределения яркости участка в состоянии i ; P(i1 ) – апостериорная веро- ятность. Это правило используется при принятии решения об отнесении рассматриваемого элемента к одному из классов множества. Для решения поставленной задачи необходимо выполнить построение статистической модели выделенных параметров изображения [7]. Однако, законы распределения реальных экспериментальных данных являются многомодовыми (мультимодальными). Одним из методов аппроксимации многомодовых законов распределения является применение смесей нормальных распределений вида [7] ( x mk ) 2 exp M M 2 k2 , f ( x) p k k ( x) p k k 1 k 1 2 k2 где M – количество нормальных ядер k (x) , m k , k – параметры k-го нормального распределения k (x) , pk – весовые коэффициенты, обеспечивающие выполнение требования f ( x)dx 1 . Процедура нахождения параметров M, mk , k , pk основывается на минимизации среднеквадратической ошибки аппроксимации. В качестве экспериментальной оценки плотности вероятности используется гистограмма экспериментальных данных. Построение многомодовой статистической модели данных включает в себя следующие этапы: 1. определение количества составляющих в смеси распределения M; 2. определение статистических оценок параметров mk , k для каждой из мод распределения k 1M ; 3. определение весовых коэффициентов для каждой из составляющих смесь распределения pk , k 1M . В данной работе необходимо выделить аномальный участок на поверхности морских акваторий. Для решения этой задачи используется метод, описанный в [8]. Здесь учитываются параметры обработки: размер окру- жения пиксела при усреднении интенсивности (установка чувствительности) и допустимого отрезка значений изменений цвета. Выделенный аномальный участок необходимо оконтурить, а контур векторизировать. Для решения этой задачи был разработан алгоритм векторизации контуров выделенных участков. В результате оконтуривания аномальных пятен в файл сохраняются координаты каждой точки контура (xi, yi, i=1, N, где N – количество точек контура). Для аппроксимации контура использовался метод наименьших квадратов [6], применяемый к разверткам контура по осям X и Y: F ( x) a0 ax a2 x 2 ... a N x N , F ( y ) b0 by b2 y 2 ... bN y N , где aN, bN – коэффициенты аппроксимации, xN, yN – координаты каждой точки исследуемого контура. Для проведения следующих исследований строилась математическая модель контура, при этом исследовалась зависимость вектора (vec) (от начала координат до каждой точки контура) от приращения угла между соседними векторами (θ). В результате формируются математические модели, вид которых представляет собой развертку контура выделенного участка (по оси X откладываются значения приращения угла θ, а по оси Y – значения векторов vec). veci xi2 yi2 , cos i xi xi 1 yi yi 1 (( xi2 yi2 ) ( xi21 yi21 )) , N Vec( ) veci i . i 1 Расчет коэффициентов корреляции между исследуемым пятном и предложенными тестовыми фигурами дает значения функции f ( x1 , x2 , x3 k ) . Расчет проводился по формуле [9]: r12 K ( x1 , x2 ) , 1 r 1, x1 x2 где r12 – нормированный коэффициент корреляции, K12 K ( x1 ; x2 ) M x1 x 2 ( x1 x1 ) ( x2 x2 ) f ( x1 , x2 )dx1 dx2 . Вероятности типов загрязнения рассчитывались по одномерным (2.1), двухмерным(2.2) и трехмерным(2.3) плотностям распределения [9]. Одномерная плотность распределения: 1 f ( x) e 2 ( x a )2 2 2 (2.1). Двумерная плотность распределения: 2 x m 2 x m1 x2 m2 x2 m2 1 2r12 1 1 , 1 1 1 2 2 f ( x1 , x2 ) exp 2 2 (1 r12 ) 2 1 2 1 r122 где r12 K12 (2.2) – нормированный коэффициент корреляции x1 и x2 []. Трехмерная плотность распределения: f (x) 1 (2 ) M 2 K 12 M M K ij ( xi mi ) ( x j m j ) 1 i 1 j 1 , exp 2 K (2.3) где М=3; K – определитель матрицы K ; K ij – алгебраическое дополнение элемента Kij. В качестве решающей функции выбрана формула Байеса (1.1). Определение вероятности типа загрязнения дал следующие результаты: по одномерным законам распределения Рречного стока = 0,49, законам распределения Рречного стока = 0,66, законам распределения Рречного стока = 0,87, Рабразии берега=0,45; по двухмерным Рабразии берега=0,75; по трехмерным Рабразии берега=0,92. Заключение В работе предложен алгоритм распознавания типов загрязнений Черного и Азовского морей с применением тестовых фигур. Решение данной задачи обосновано необходимостью автоматизировать процесс космического мониторинга морских акваторий. Анализ полученных экспериментальных результатов показал, что применение разработанного алгоритма позволяет идентифицировать типы загрязнений с достаточной вероятностью, что дает возможность автоматизировать процесс распознавания аномальных явлений на морской поверхности. 1. Красовский Г.Я., Петросов В.А. Інформаційні технології космічного моніторингу водних екосистем і прогнозу водоспоживання міст. – К.: Наукова думка, 2003. – 224 с. 2. Красовский Г.Я. Аэрокосмический мониторинг поверхностных вод. – Л.:ВНИИКАМ, 1992.– 231с. 3. Гонсалес Р., Дж. Ту. Принципы распознавания образов: Пер. с англ. – М.: Мир, 1978. – 416 с. 4. Прэтт У. Цифровая обработка изображений: Пер. с англ. – М.: Мир, 1982. – Кн. 2. – 480 с. 5. Слободян В.А. Исследование информативности тестовых фигур с применением корреляционного анализа // Авиационная и космическая техника и технология. – 2008. – №2 (49). – С. 89 – 92. 6. Вентцель Е.С., Овчаров Л.А. Теория случайных процессов и ее инженерные приложения. – М.: Высш. шк.., 2000. – 383с. 7. Брашеван А.Н. Статистическая модель многомодовых экспериментальных данных // Радиоэлектронные и компьютерные системы. – 2003. – №2. – С.82 – 85. 8. Гелецян Д. Векторизация растровых изображений. 9. Математические модели электронных аппаратов и систем / М.Ф. Бабаков, А.В. Попов, М.И. Луханин. – Учеб. пособие. – Харьков: Нац. аэрокосмический ун-т «Харьк. авиа. ин-т», 2003. – 109 с.